Uso del análisis de componentes principales en la precisión de los mapas de clasificación (caso de estudio: Yurimaguas)

• Autor: Calzada Lopez, Junior
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/19620
• Enlace del recurso: https://hdl.handle.net/20.500.12672/19620
• Nivel de acceso: acceso abierto
• Materia: Landsat (Satélites de teledetección); Análisis de datos; Métodos de análisis; Amazonas (Perú : Dpto.); https://purl.org/pe-repo/ocde/ford#1.05.08

El objetivo principal fue investigar el papel del análisis de componentes principales para aumentar la precisión de la clasificación supervisada Parallelepiped. PCA se ha aplicado con éxito en la imagen Landsat/8 en las cercanías a la ciudad de Yurimaguas. La clasificación se realizó en dos grupos de bandas, se utilizó áreas de entrenamiento y validación de cinco clases (agua, Bosque, deforestación, vegetación secundaria y suelo urbano). En primer orden se utilizó el grupo de bandas en reflectancia superficial (b1, b2, b3, b4, b5, b6 y b7), donde la matriz de confusión dio una precisión general del 77.0851% y el cálculo de las estadísticas kappa dio una precisión de 0.6049. En segundo orden se utilizó las bandas del primer componente y segundo componente (PC1, PC2), donde el primer componente contiene 73.3 % de la información y el segundo componente el 19.2%, en los demás componentes el porcentaje de variabilidad disminuyó en gran medida, ambos componentes suman más del 92.5% de la varianza total de los datos, así se utilizó para clasificar estas dos componentes, donde la matriz de confusión dio una precisión general del 90.541% y el cálculo de las estadísticas kappa dio 0.7967. Los resultados obtenidos indican que la precisión general y el coeficiente kappa aumentan cuando se usa el primer componente (PC 1) y segundo componente (PC2).